AI vs ML vs DL: Doğru Hiyerarşi ve Pratik Sonuçları
Üç kavram en sık karıştırılanlardan: Yapay Zeka (AI), Makine Öğrenmesi (ML) ve Derin Öğrenme (DL). Bu derste hiyerarşiyi netleştirip pratik kararlar vermenize yardım edecek bir karar ağacı çıkaracağız.
Şükrü Yusuf KAYA
16 min read
Beginner
🎯 Bu derste öğreneceğiniz
(1) AI ⊃ ML ⊃ DL hiyerarşisi neden böyledir? (2) Symbolic AI ile statistical AI arasındaki fark ve hangisi ne zaman kullanılır? (3) Hangi probleme hangi yaklaşımı uygulayalım? karar ağacı.
"AI", "ML", "DL" — Aynı şey mi farklı mı?#
Bu üç terim, özellikle yatırım haberlerinde ve LinkedIn unvanlarında iç içe geçmiş gibi kullanılır. Oysa aralarında net ve önemli farklar var.
Hızlı cevap: Tüm DL → ML'dir. Tüm ML → AI'dır. Ama tüm AI → ML değildir. Tüm ML → DL değildir.
Bunu görsel olarak en iyi iç içe daire (Venn diyagramı) ile anlatırız.
Tanım: Akıllı görünen davranış üreten her tür yazılım. Hem kural-tabanlı (symbolic) hem de veri-tabanlı (statistical) yaklaşımları kapsar.
Örnekler:
- Bir uzman sistem: 200 IF-THEN kuralı ile hastalık teşhisi (kural-tabanlı, ML değil)
- Bir karar ağacı modeli: 10.000 hastayı eğitmiş classifier (ML, dolayısıyla AI)
- Bir dama programı: minimax algoritması (klasik AI, ML değil)
- A* pathfinding (oyunda yol bulma): klasik AI
Kural-tabanlı AI ne zaman kullanılır?
- Kurallar net ve değişmez (vergi hesaplama)
- Veri yok ya da az
- Açıklanabilirlik kritik (regülasyon)
En basit ML modeli: Lineer Regresyon#
Bir öğrenme algoritmasının ne demek olduğunu anlamak için en basit örnekle başlayalım. Diyelim ev fiyatını metrekareye göre tahmin etmek istiyoruz.
Burada:
- = girdi (örn. metrekare)
- = tahmin (fiyat)
- = ağırlık (eğim)
- = bias (kesişim)
Öğrenme = ve 'yi veriden bulma sürecidir. Ölçüt: gerçek ile tahmin arasındaki ortalama kare farkı (MSE) en küçük olsun.
python
from sklearn.linear_model import LinearRegressionimport numpy as np # 5 evin metrekaresi ve fiyatı (TL bin)X = np.array([[60], [75], [90], [120], [150]])y = np.array([350, 470, 600, 850, 1100]) model = LinearRegression()model.fit(X, y) print(f"Eğim (w): {model.coef_[0]:.2f}")print(f"Kesişim (b): {model.intercept_:.2f}")print(f"100 m² ev tahmini: {model.predict([[100]])[0]:.0f} bin TL")scikit-learn ile 5 satır kod — eğitim, parametreler, tahmin.
⚠️ Yaygın yanılgı
"Lineer regresyon ML değil, istatistik" — yanlış. Tarihsel olarak istatistikten gelir, ama ML'in tam parçasıdır. ML, istatistiğin tahmin odaklı uygulamasıdır; aralarında felsefi bir ayrım var (istatistik → çıkarım, ML → tahmin) ama yöntem aynı yöntem.
Boşluk doldur · text
AI'nin alt dalı 'dir; 'in alt dalı ise 'dir. Yani ⊃ ⊃ hiyerarşisi geçerlidir.
Hangi sorun → hangi yaklaşım? Karar ağacı#
Pratik bir problem geldiğinde sırasıyla şu soruları sor:
- Kurallar açık ve değişmez mi? → Symbolic AI / sıradan yazılım
- Veri var mı (>500 örnek)? → ML
- Veri çok büyük mü (>100K) ve örüntü karmaşık mı (görsel/dil/ses)? → DL
- Açıklanabilirlik kritik mi? → Klasik ML (DL'den uzak dur)
- Real-time inference (<10ms) gerekli mi? → Küçük model + edge deployment
🇹🇷 Türkiye'den AI/ML Vaka Çalışmaları#
Yukarıdaki 5 senaryo soyut örneklerdi. Şimdi gerçek Türk teknoloji şirketlerinden hangi sorunda hangi yaklaşımı seçtiklerine bakalım — bu, kavramları somut hâle getirmenin en hızlı yolu.
Problem: 10 dakika teslimatta her şubedeki her ürün için bir saat sonra ne kadar satılacağını bilmek lazım. Yanlış stok = ya bayılma (stockout) ya israf.
Yaklaşım: Klasik ML / DL hibridi.
- Amazon Forecast ile zaman serisi tahmin (DeepAR ailesi — bir DL modeli)
- Amazon SageMaker + AWS Batch ile binlerce SKU × yüzlerce şube × günlük yenilenen model
- Ürün kategori tahmin pipeline'ı: yeni eklenen ürünlerin doğru kategoriye atanması — supervised classification
Sonuç (resmi AWS vaka çalışması): Model eğitim sürelerinde %90 azalma, daha az stockout, daha düşük israf, daha az manuel kategori müdahalesi.
Hangi paradigma? Çoğu Getir AI'sı supervised learning + zaman serisi. RL yok denecek kadar az; çünkü 'feedback gecikmesi' yüksek (10 dakika sonra mı, ertesi gün mü?) operasyonel olarak RL'i pahalı kılıyor.
💡 Türk şirket örneklerinden çıkan ders
Çoğu Türk teknoloji şirketinde AI 'tek bir paradigma' değil, problem-bazında karışım. Görsel → DL. Tablo verisi + açıklanabilirlik → klasik ML. Optimizasyon → OR + ML. Asistan/sohbet → LLM (genelde frontier API + RAG). Bir ürün ekibine girersen, sınava 'ben DL uzmanıyım' diye değil, 'problem-yaklaşım eşleştirmesi yapabilen mühendisim' diye gir.
Hadi bir checkpoint sorusuyla anlamış olduğunu doğrulayalım#
Bu derste neler öğrendik?#
✓ AI ⊃ ML ⊃ DL — bu hiyerarşi her zaman geçerli.
✓ AI sembolik ve istatistiksel olabilir; ML her zaman istatistikseldir.
✓ DL = çok katmanlı sinir ağı kullanan ML.
✓ Her problem DL gerektirmez; tablo verisi + açıklanabilirlik gerekirse XGBoost ekseriyetle DL'i yener.
✓ Karar ağacı: kurallar net mi → veri var mı → veri çok ve karmaşık mı?
Sıradaki ders: ML'in 3 paradigması — supervised, unsupervised, reinforcement learning.
Frequently Asked Questions
Evet, hem de yoğun şekilde. Çoğu üretim sisteminde (kredi, fiyatlama, sigortacılık) lineer/logistic regresyon hâlâ ilk tercih. Hızlı, açıklanabilir ve regülasyona uygun.
Yorumlar & Soru-Cevap
(0)Yorum yazmak için giriş yap.
Yorumlar yükleniyor...